論文の概要: VREN: Volleyball Rally Dataset with Expression Notation Language
- arxiv url: http://arxiv.org/abs/2209.13846v2
- Date: Thu, 16 May 2024 17:38:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 19:53:36.295854
- Title: VREN: Volleyball Rally Dataset with Expression Notation Language
- Title（参考訳）: VREN:Volleyball Rally Dataset with Expression Notation Language
- Authors: Haotian Xia, Rhys Tracy, Yun Zhao, Erwan Fraisse, Yuan-Fang Wang, Linda Petzold,
- Abstract要約: 本研究は,室内バレーボール場とコンピュータ科学のギャップを埋めるものである。
最初の目標は、プレイヤーの行動とポジションに関する重要かつ簡潔な要約を含むデータセットをキュレートすることである。
第2の目標は,ゲーム内のラリープロセスを完全に記述するための,バレーボール記述言語の導入だ。
- 参考スコア（独自算出の注目度）: 10.609652299803063
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This research is intended to accomplish two goals: The first goal is to curate a large and information rich dataset that contains crucial and succinct summaries on the players' actions and positions and the back-and-forth travel patterns of the volleyball in professional and NCAA Div-I indoor volleyball games. While several prior studies have aimed to create similar datasets for other sports (e.g. badminton and soccer), creating such a dataset for indoor volleyball is not yet realized. The second goal is to introduce a volleyball descriptive language to fully describe the rally processes in the games and apply the language to our dataset. Based on the curated dataset and our descriptive sports language, we introduce three tasks for automated volleyball action and tactic analysis using our dataset: (1) Volleyball Rally Prediction, aimed at predicting the outcome of a rally and helping players and coaches improve decision-making in practice, (2) Setting Type and Hitting Type Prediction, to help coaches and players prepare more effectively for the game, and (3) Volleyball Tactics and Attacking Zone Statistics, to provide advanced volleyball statistics and help coaches understand the game and opponent's tactics better. We conducted case studies to show how experimental results can provide insights to the volleyball analysis community. Furthermore, experimental evaluation based on real-world data establishes a baseline for future studies and applications of our dataset and language. This study bridges the gap between the indoor volleyball field and computer science. The dataset is available at: https://github.com/haotianxia/VREN.
- Abstract（参考訳）: この研究は2つの目標を達成することを意図している: 最初の目標は、選手の行動とポジションに関する重要かつ簡潔な要約と、プロおよびNCAA Div-I屋内バレーボールゲームにおけるバレーボールのバック・ツー・フォー・トラベルパターンを含む、大きく情報に富んだデータセットをキュレートすることである。
いくつかの先行研究は、他のスポーツ(例えばバドミントンやサッカー)のための同様のデータセットを作成することを目的としているが、屋内バレーボールのためのそのようなデータセットは、まだ実現されていない。
第2の目標は、ゲーム内のラリープロセスを完全に記述し、私たちのデータセットに言語を適用するために、バレーボール記述言語を導入することです。
トレーニングされたデータセットと記述型スポーツ言語に基づいて,本データセットを用いた自動バレーボール行動と戦術分析のための3つのタスクを紹介した。(1)ラリーの結果を予測し,選手やコーチが実際に意思決定を改善することを支援するバレーボールラリー予測,(2)ゲームのためにコーチや選手がより効果的に準備するタイプ・アンド・ハッティングタイプ予測,(3)バレーボール戦術・アタックゾーン統計,高度なバレーボール統計を提供し,コーチがゲームと対戦者の戦術をよりよく理解するのに役立つバレーボールラリー予測(Volleyball Rally Prediction)。
実験結果がバレーボール分析コミュニティにどのような洞察を与えるかを示すためにケーススタディを行った。
さらに、実世界のデータに基づく実験的な評価は、我々のデータセットと言語の将来の研究と応用のベースラインを確立する。
本研究は,室内バレーボール場とコンピュータ科学のギャップを埋めるものである。
データセットは、https://github.com/haotianxia/VREN.comで公開されている。
関連論文リスト
- Deep learning for action spotting in association football videos [64.10841325879996]
SoccerNetイニシアチブは毎年の課題を組織し、世界中の参加者が最先端のパフォーマンスを達成するために競う。
本稿では,スポーツにおけるアクションスポッティングの歴史を,2018年の課題の創出から,現在の研究・スポーツ産業における役割まで遡る。
論文 参考訳（メタデータ） (2024-10-02T07:56:15Z) - RisingBALLER: A player is a token, a match is a sentence, A path towards a foundational model for football players data analytics [0.0]
RisingBALLERは、フットボールの試合データに基づいてトレーニングされたトランスフォーマーモデルを利用して、マッチ固有のプレーヤー表現を学習する最初の公開アプローチである。
単純な機械学習モデル以上の、RisingBALLERは、プレーヤーのための高度な基礎的特徴を学習することによって、フットボールデータ分析を変換するように設計された包括的なフレームワークである。
論文 参考訳（メタデータ） (2024-10-01T14:39:22Z) - MatchTime: Towards Automatic Soccer Game Commentary Generation [52.431010585268865]
観客の視聴体験を改善するために,自動サッカーゲーム解説モデルの構築を検討する。
まず、既存のデータセットでよく見られるビデオテキストのミスアライメントを観察し、49試合のタイムスタンプを手動でアノテートする。
第2に,既存のデータセットを自動的に修正・フィルタリングするマルチモーダル時間アライメントパイプラインを提案する。
第3に、キュレートされたデータセットに基づいて、MatchVoiceという自動コメント生成モデルをトレーニングします。
論文 参考訳（メタデータ） (2024-06-26T17:57:25Z) - Graph Encoding and Neural Network Approaches for Volleyball Analytics:
From Game Outcome to Individual Play Predictions [5.399740513992854]
我々は,すでに利用可能なバレーボールデータセットにコンタクトバイコンタクトバレーボールコンテキストを追加するための,特殊なグラフ符号化手法を導入する。
この強化データセットにグラフニューラルネットワーク(GNN)を用いた3つのバレーボール予測タスクの潜在的な利点を実証する。
以上の結果から,グラフエンコーディングによるGNNの利用により,より高度なデータ解析が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-08-22T02:51:42Z) - Estimation of control area in badminton doubles with pose information
from top and back view drone videos [11.679451300997016]
我々はバドミントンダブルスでトップとバックビューから最初の注釈付きドローンデータセットを提示する。
チームワークのパフォーマンスを評価するために,制御領域の確率マップを推定するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-07T11:18:39Z) - Group Activity Recognition in Basketball Tracking Data -- Neural
Embeddings in Team Sports (NETS) [10.259254824702554]
チームスポーツにおけるグループ活動認識(GAR)のための新しい深層学習手法である.NETSを提案する。
NBAの632試合の大規模追跡データを用いて,そのアプローチを評価した。
以上の結果から,NETS はグループ活動の学習を高い精度で行うことができ,自己指導と弱監督の訓練が GAR の精度に肯定的な影響を与えることが示唆された。
論文 参考訳（メタデータ） (2022-08-31T01:22:38Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳（メタデータ） (2022-06-02T13:19:36Z) - Temporally-Aware Feature Pooling for Action Spotting in Soccer
Broadcasts [86.56462654572813]
私たちは、サッカーの試合の主なアクションを一時的にローカライズするサッカー放送におけるアクションスポッティングの分析に焦点を当てています。
時間的知識を組み込んだNetVLAD++という,NetVLADに基づく新たな機能プーリング手法を提案する。
我々は最近の大規模データセット SoccerNet-v2 の方法論をトレーニングし、評価し、アクションスポッティングのための平均平均mAP 53.4% に達した。
論文 参考訳（メタデータ） (2021-04-14T11:09:03Z) - Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。
フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
論文 参考訳（メタデータ） (2020-11-18T10:26:02Z) - Learning Dynamic Belief Graphs to Generalize on Text-Based Games [55.59741414135887]
テキストベースのゲームをプレイするには、自然言語処理とシーケンシャルな意思決定のスキルが必要である。
本研究では,原文からエンドツーエンドに学習したグラフ構造化表現を用いて,エージェントがテキストベースのゲームでどのように計画・一般化できるかを検討する。
論文 参考訳（メタデータ） (2020-02-21T04:38:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。